1.一种基于多尺度特征融合增强网络的干涉相位解缠方法，其特征在于，包括：

将预先获取的干涉缠绕相位图输入训练获得的基于多尺度特征融合增强网络，输出获得干涉解缠相位图；

训练获得基于多尺度特征融合增强网络，包括：

将预先获取的数据集输入构建的基于多尺度特征融合增强网络，利用Adam梯度优化算法优化构建的基于多尺度特征融合增强网络，直到损失函数收敛于一定值，获得训练完成的基于多尺度特征融合增强网络；

构建的基于多尺度特征融合增强网络结构包括输入层Input、编码器网络Encoder、多尺度特征融合模块MFFM、连接层Cat、解码器网络Decoder和线性激活卷积层Conv2D，输入层Input连接编码器网络Encoder，编码器网络Encoder连接多尺度特征融合模块MFFM和连接层Cat，编码器网络Encoder连接解码器网络Decoder，连接层Cat连接解码器网络Decoder，解码器网络Decoder连接线性激活卷积层Conv2D；

编码器网络Encoder包括第一多样性残差模块DRM、第二多样性残差模块DRM、第三多样性残差模块DRM、第四多样性残差模块DRM、第一最大池化层MaxPooling2D、第二最大池化层MaxPooling2D、第三最大池化层MaxPooling2D，第一多样性残差模块DRM、第一最大池化层MaxPooling2D、第二多样性残差模块DRM、第二最大池化层MaxPooling2D、第三多样性残差模块DRM、第三最大池化层MaxPooling2D、第四多样性残差模块DRM依次串联；

解码器网络Decoder包括第一转置卷积层Conv2DTranspose、第二转置卷积层Conv2DTranspose、第三转置卷积层Conv2DTranspose、第五多样性残差模块DRM、第六多样性残差模块DRM、第七多样性残差模块DRM、第一二维卷积层Conv2D，第一转置卷积层Conv2DTranspose、第五多样性残差模块DRM、第二转置卷积层Conv2DTranspose、第六多样性残差模块DRM、第三转置卷积层Conv2DTranspose、第七多样性残差模块DRM、第一二维卷积层Conv2D依次连接；

多尺度特征融合模块MFFM包括第一多尺度特征融合模块MFFM和第二多尺度特征融合模块MFFM，连接层Cat包括第一连接层Cat、第二连接层Cat和第三连接层Cat，第一多样性残差模块DRM的输出端连接第一多尺度特征融合模块MFFM的输入端，第二多样性残差模块DRM的输出端连接第一多尺度特征融合模块MFFM的输入端和第二多尺度特征融合模块MFFM的输入端，第三多样性残差模块DRM的输出端连接第三连接层Cat的输入端和第二多尺度特征融合模块MFFM，第一多尺度特征融合模块MFFM连接第一连接层Cat，第二多尺度特征融合模块MFFM连接第二连接层Cat，第四多样性残差模块DRM的输出端连接第一转置卷积层Conv2DTranspose；

第一多样性残差模块DRM、第二多样性残差模块DRM、第三多样性残差模块DRM、第四多样性残差模块DRM、第五多样性残差模块DRM、第六多样性残差模块DRM、第七多样性残差模块DRM均包括多样性残差模块输入层Input、多样性残差模块输出层Output、二维卷积层Conv2d1、二维卷积层Conv2d2、二维卷积层Conv2D3、二维卷积层Conv2D4、二维卷积层Conv2D5、二维卷积层Conv2D6、二维卷积层Conv2d7、深度可分离卷积层DSC1、深度可分离卷积层DSC2、深度可分离卷积层DSC3、批归一化和线性激活组合层BN+RELU、第一膨胀卷积DC1、第二膨胀卷积DC2、第三膨胀卷积DC3、第四连接层Cat和多样性残差模块的输出层Output,多样性残差模块输入层Input连接二维卷积层Conv2d1和二维卷积层Conv2d2，二维卷积层Conv2d1、深度可分离卷积层DSC1、深度可分离卷积层DSC2、深度可分离卷积层DSC3、批归一化和线性激活组合层BN+RELU、二维卷积层Conv2D3、第四连接层Cat和二维卷积层Conv2d7依次连接，深度可分离卷积层DSC3的输出端连接二维卷积层Conv2D4的输入端、二维卷积层Conv2D5的输入端和二维卷积层Conv2D6的输入端，二维卷积层Conv2D4的输出端连接第一膨胀卷积DC1的输入端，第一膨胀卷积DC1的输出和二维卷积层Conv2D5的输出相加融合后输入第二膨胀卷积DC2，第二膨胀卷积DC2的输出和二维卷积层Conv2D6的输出相加融合后输入第三膨胀卷积DC3，第一膨胀卷积DC1、第二膨胀卷积DC2和第三膨胀卷积DC3的输出端连接第四连接层Cat，二维卷积层Conv2d2的输出和二维卷积层Conv2d7的输出相加融合后输入多样性残差模块的输出层Output。

2.根据权利要求1所述的一种基于多尺度特征融合增强网络的干涉相位解缠方法，其特征在于，第一多尺度特征融合模块MFFM和第二多尺度特征融合模块MFFM包括低水平特征图、高水平特征图、第二个二维卷积层Conv2D、第三个二维卷积层Conv2D、第四转置卷积层Conv2DTranspose、全局平均池化层GlobalAveragePooling2D、形变Reshape、第四最大池化层MaxPooling2D、第四个二维卷积层Conv2D、第五转置卷积层Conv2DTranspose、第五连接层Cat和多尺度特征融合模块的输出层Output，低水平特征图输入第二个二维卷积层Conv2D和第五连接层Cat，高水平特征图输入全局平均池化层GlobalAveragePooling2D、第四最大池化层MaxPooling2D和第五转置卷积层Conv2DTranspose，全局平均池化层GlobalAveragePooling2D的输出端连接形变Reshape的输入端，第四最大池化层MaxPooling2D的输出端连接第四个二维卷积层Conv2D的输入端，形变Reshape的输出和第四个二维卷积层Conv2D的输出相加融合后输入第四转置卷积层Conv2DTranspose，第四转置卷积层Conv2DTranspose的输出端连接第三个二维卷积层Conv2D，第三个二维卷积层Conv2D的输出端和第二个二维卷积层Conv2D相乘融合后和第五转置卷积层Conv2DTranspose的输出相加融合后输入第五连接层Cat，第五连接层Cat的输出端连接多尺度特征融合模块输出层Output。

3.根据权利要求1所述的一种基于多尺度特征融合增强网络的干涉相位解缠方法，其特征在于，损失函数为：

，

其中， 为训练数据集中干涉相位图的像素值与多尺度特征融合增强网络训练输出的所预测的干涉相位图的像素值之差，(i,j)表示相位像素坐标，b为正系数。

4.根据权利要求1所述的一种基于多尺度特征融合增强网络的干涉相位解缠方法，其特征在于，预先获取数据集，包括：

通过加减几个不同形状和位置的高斯函数，创建不规则和任意形状的干涉相位图；

随机选择斜坡沿垂直与水平方向添加到创建的干涉相位图中，形成带有斜坡相位的干涉相位图；

将干涉相位图相位进行像素相位缠绕，缠绕相位 的计算公式为：

，

其中，exp为以自然常数e为底的指数函数， 为干涉相位图像素原始真实相位，(x,y)为像素在干涉相位图中的空间坐标，∠为求角度符号；

基于像素相位缠绕的干涉相位图，创建预设数量的干涉相位图数据集；

将干涉相位图数据集中的干涉相位图随机赋予预设的高斯加性噪声，构建获得干涉相位数据集；

将干涉相位数据集划分为训练集和测试集。

5.根据权利要求4所述的一种基于多尺度特征融合增强网络的干涉相位解缠方法，其特征在于，创建数量规模为1400的干涉相位图数据集，每个干涉相位图像素尺寸大小256×

256且像素值‑55到55；将干涉相位图数据集中的干涉相位图随机赋予0dB、5dB和10dB的高斯加性噪声。